Datenvisualiserung 1

Visualisierung von Verteilungen

Daniela Palleschi

Humboldt-Universität zu Berlin

Di. den 23.04.2024

Wiederholung

Letzte Woche haben wir…

  • R und RStudio installiert
  • unser erstes R-Skript erstellt
  • einfache Arithmetik mit Objekten und Vektoren durchgeführt

Wiederholung

x <- c(1,2,3)
y <- sum(1,2,3)

  • Was enthalten die Vektoren x und y?

  • Das Objekt x enthält 1, 2, 3

  • Das Objekt y enthält 6

Heutige Ziele

Heute werden wir lernen…

  • was Datenframes sind
  • den Unterschied zwischen kategorialen und kontinuierlichen Daten
  • wie man Diagramme mit ggplot erstellt
  • die richtige Darstellung für unsere Daten auszuwählen

Endgültiges Ziel

  • Unser heutiges Ziel ist es, die Daten wie folgt zu visualisieren
    • Das Diagramm zeigt die Verteilung (Anzahl) der Reaktionszeiten und der Muttersprache der Teilnehmer

Vorbereitung

In Ihrem RProject-Ordner…

  • erstellen Sie einen neuen Ordner mit dem Namen moodle
    • Laden Sie die Moodle-Materialien von heute herunter und speichern Sie sie dort
  • Erstellen Sie einen neuen Ordner in notes mit dem Namen 02-datenviz1
  • öffne ein neues .R Skript
    • speichere es in dem neuen Ordner

Pakete

  • Pakete laden (und installieren)
    • tidyverse
    • languageR
    • ggthemes
    • patchwork
# in the CONSOLE: install packages if needed
install.packages("tidyverse")
install.packages("languageR")
install.packages("ggthemes") # for customising our plots
install.packages("patchwork") # plot layouts
# Pakete laden
library(tidyverse)
library(languageR)
library(ggthemes)
library(patchwork)

Datenrahmen

  • Datenrahmen sind eine Sammlung von Variablen, wobei

    • jede Variable eine Spalte ist
    • jede Zeile eine einzelne Beobachtung/ein einzelner Datenpunkt ist
    • jede Zelle in einer Zeile verknüpft ist

  • Datenrahmen sind genau wie Tabellenkalkulationen, aber rechteckig

  • Verschiedene Wörter für Datenrahmen:

    • Datenrahmen
    • Datensatz
    • Tibble (im tidyverse)

Sprechen über Datensätze

  • eine Variable: eine Menge, Qualität oder Eigenschaft, die man messen kann
  • ein Wert: der Zustand einer Variablen, wenn man sie misst
  • eine Beobachtung: eine Reihe von Messungen, die unter ähnlichen Bedingungen durchgeführt werden
    • enthält mehrere Werte, die jeweils mit einer Variablen verbunden sind
    • eine Beobachtung für eine einzelne Variable wird manchmal als Datenpunkt bezeichnet
  • Tabellendaten sind eine Reihe von Werten, die jeweils mit einer Variablen und einer Beobachtung verbunden sind
    • Tabellarische Daten sind “tidy”, wenn jeder Wert in einer eigenen Zelle, jede Variable in einer eigenen Spalte und jede Beobachtung in einer eigenen Zeile steht

Kategoriale und kontinuierliche Variablen

  • Wie wir die Verteilung einer Variablen darstellen, hängt davon ab, welche Art von Daten sie repräsentiert: kategorisch oder numerisch
  • Eine Variable ist kategorisch, wenn sie eine kleine Menge von Werten annehmen kann, die sich in Gruppen zusammenfassen lassen
      1. B. alt/jung, klein/groß, grammatikalisch/ungrammatikalisch, L1/L2-Sprecher
  • eine Variable ist numerisch (d. h. quantitativ), wenn sie eine große Bandbreite an numerischen Werten annehmen kann
    • und es sinnvoll wäre, zu addieren, zu subtrahieren, den Mittelwert zu berechnen usw.
    • kann kontinuierlich sein (Dezimalpunkte sind sinnvoll, z. B. 1,5 cm)
    • oder diskret (Dezimalpunkte sind nicht sinnvoll, z. B. 1,5 Kinder sind nicht sinnvoll)
  • wir erstellen verschiedene Diagramme, je nachdem, welche Art von Variablen wir visualisieren wollen

Lexical Decision Task (LDT)

  • unser erster Datensatz enthält Daten aus einer lexikalischen Entscheidungsaufgabe

  • Bei der LDT drücken die Teilnehmer eine Taste, um anzugeben, ob ein Wort ein echtes Wort oder ein Pseudowort ist.

LDT-Variablen

  • Die üblichen Variablen, die in einem Experiment zur lexikalischen Entscheidungsaufgabe erhoben werden, sind:
    • Reaktionszeit
    • Genauigkeit (richtig/falsch)
    • Wortkategorie (z. B. real/pseudo, Nomen/Verb)
    • Worthäufigkeit
  • Zusätzliche Variablen, die erhoben werden könnten, sind:
    • demografische Daten der Teilnehmer (z. B. Alter, L1/L2, Geschlecht)

lexdec Datensatz

  • languageR ist ein Begleitpaket für das Lehrbuch Baayen (2008)
    • enthält linguistische Datensätze, z.B. lexdec.
  • der lexdec-Datensatz enthält Daten für eine lexikalische Entscheidungsaufgabe im Englischen
    • wir werden mit Variablen wie Reaktionszeiten und Genauigkeit arbeiten

lexdec-Variablen

  • eine Liste einiger der Variablen ist in Tabelle 1 enthalten
Tabelle 1: Datenwörterbuch für df_lexdec: Lexikalische Entscheidungslatenzen, die von 21 Probanden für 79 konkrete englische Substantive erhoben wurden, mit Variablen, die mit dem Subjekt oder dem Wort verknüpft sind.
Variable Beschreibung
Subject ein Faktor für die Probanden
RT ein numerischer Vektor für die Reaktionszeit in Millisekunden
Trial ein numerischer Vektor für den Rang des Versuchs in der Versuchsliste
Sex ein Faktor mit den Ausprägungen F (weiblich) und M (männlich)
NativeLanguage ein Faktor mit den Niveaus English und Other, der zwischen englischen Muttersprachlern und Nicht-Muttersprachlern unterscheidet

LDT-Forschungsfragen

  • bevor wir ein Experiment durchführen, haben wir Forschungsfragen, die wir mit den Daten beantworten wollen
    • Wir werden uns heute mit der folgenden Frage beschäftigen:
      • Unterscheiden sich die Reaktionszeiten zwischen Muttersprachlern und Nicht-Muttersprachlern?

Laden der Daten

  • unsere Daten sind in dem Paket lanaugeR verfügbar, das wir bereits geladen haben
    • um die Daten zu drucken, geben Sie einfach den Namen des Datensatzes ein und führen Sie ihn aus
  • Unten sehen wir nur ein paar Variablen, aber Sie sollten mehr in Ihrer Konsole sehen
lexdec
  Subject       RT Trial Sex NativeLanguage Correct PrevType PrevCorrect
1      A1 6.340359    23   F        English correct     word     correct
2      A1 6.308098    27   F        English correct  nonword     correct
3      A1 6.349139    29   F        English correct  nonword     correct
4      A1 6.186209    30   F        English correct     word     correct
5      A1 6.025866    32   F        English correct  nonword     correct
6      A1 6.180017    33   F        English correct     word     correct
  • Wie viele Variablen haben wir? Beobachtungen?

Daten als Objekt speichern

  • Um die Daten in unserer Umgebung zu speichern, müssen wir ihnen einen Namen zuweisen
    • Nennen wir es df_lexdec, was soviel bedeutet wie “Datenrahmen lexikalische Entscheidung”.
df_lexdec <- lexdec
  • jetzt sehen wir es in unserem Enrivonment
    • Doppelklicken Sie darauf, um es im Editorfenster zu sehen.

Relevante Variablen

  • Zu den Variablen, die wir haben, gehören:
    1. Subjekt: Teilnehmer-ID
    2. RT: protokollierte Reaktionszeiten
    3. NativeLanguage: die Muttersprache des Teilnehmers
    4. Word: welches Wort präsentiert wurde
    5. Class: ob das Wort ein Tier oder eine Pflanze war

Aufgabe 1: ?lexdec

Beispiel 1  

Um herauszufinden, wofür die anderen Variablen stehen, führen Sie ?lexdec in der Konsole aus.

Erstellen von Plots mit ggplot2

  • das tidyverse ist eine Sammlung von Paketen, die das Aufräumen und die Visualisierung von Daten erleichtern
    • wenn wir tidyverse laden, wird diese Sammlung von Paketen automatisch geladen
  • das ggplot2-Paket ist ein tidyverse-Paket, das Plots in Schichten aufbaut

ggplot2 Schichten

Abbildung 1: Example of layers in a ggplot figure

Schicht 1: leere Leinwand

  • die erste Ebene mit der Funktion ggplot() ist wie eine leere Leinwand
ggplot(data = df_lexdec)
Abbildung 2: Leerer ggplot()

Schicht 2: Ästhetik der Darstellung

  • als nächstes teilen wir ggplot() mit, wie unsere Variablen visuell dargestellt werden sollen
    • Wir fügen das + am Ende unserer Codezeile ein und verwenden in einer neuen Codezeile die Funktion aes(), um unsere Ästhetik zu definieren.
  • Unsere erste Ästhetik bildet die Reaktionszeiten (RT) auf der x-Achse ab (der untere Teil der Grafik)
    • wir wickeln die protokollierte RT in die Funktion exp() ein, um RTs in Millisekunden zu erhalten (aus Gründen, die wir nicht diskutieren werden)
ggplot(data = df_lexdec) +
  aes(x = exp(RT))

Schicht 2: Ästhetik der Darstellung

Abbildung 3: Plot mit x-Achse

Schicht 3: Hinzufügen von Beobachtungen

  • wir sehen keine Beobachtungen (d.h. die Balken) in der Grafik, warum nicht?
    • wir haben ggplot() nicht gesagt, wie sie dargestellt werden sollen
  • wir müssen ein Geom definieren: das geometrische Objekt, das ein Diagramm verwendet, um Daten darzustellen
    • in ggplot2 beginnen die Geom-Funktionen mit geom_
    • wir beschreiben Diagramme oft in Bezug auf die Arten von Geomen, die sie verwenden, z.B. verwenden Balkendiagramme Balkengeome (geom_bar()), Liniendiagramme Liniengeome (geom_line()), Punktdiagramme ein Punktgeom (geom_point()), usw.

Schicht 3: Hinzufügen von Beobachtungen

  • Erzeugen wir unser Histogramm mit dem Geom geom_histogram()
ggplot(data = df_lexdec) +
  aes(x = exp(RT)) +
  geom_histogram()
Abbildung 4: Histogram

Hinweis

Wir erhielten die folgende Meldung, als wir geom_point() einschlossen:

stat_bin() mit bins = 30. Wählen Sie einen besseren Wert mit binwidth.

Dies sagt uns nur etwas über die Breite unserer Balken: jeder Balken repräsentiert einen Bereich möglicher Reaktionszeitwerte + bins = 30 bedeutet einfach, dass es 30 Balken gibt, wir können dies ändern und mehr oder weniger Balken haben, indem wir z.B. bins = 20 oder bins = 100 in geom_histogram() einfügen

Code 
ggplot(
  data = df_lexdec,
  mapping = aes(x = exp(RT))
) +
  labs(title = "with geom_histogram(bins = 20)") +
  geom_histogram(bins = 20) +

  ggplot(
  data = df_lexdec,
  mapping = aes(x = exp(RT))
) +
  labs(title = "with geom_histogram(bins = 100)") +
  geom_histogram(bins = 100) +
  plot_annotation(tag_levels = "A")
Abbildung 5: Histogram mit 20 bins (A) oder 100 bins (B)

Hinzufügen von Ästhetik

  • Es ist nützlich, die Verteilung der Reaktionszeiten im Allgemeinen zu sehen.
    • aber wir wollen normalerweise Gruppen vergleichen
    • z.B. Unterschiede zwischen Muttersprachlern und Nicht-Muttersprachlern oder zwischen verschiedenen Wortarten
  • Wir haben auch die Muttersprache als Variable, wie könnten wir diese in unserem Diagramm visualisieren?
Code 
ggplot(
  data = df_lexdec,
  aes(x = exp(RT), fill = NativeLanguage)
) +
  geom_histogram()
Abbildung 6: ggplot() mit aes(fill = NativeLanguage)

Stapeln versus Schichten von Histogrammen

  • wir sehen die roten und die blauen Balken, aber ist das blaue Histogramm über das rote geschichtet?
    • oder sind die roten Balken über den blauen Balken gestapelt?
  • Es ist letzteres
    • stellen wir es so ein, dass das blaue Histogramm über dem roten liegt
Code 
ggplot(
  data = df_lexdec,
  aes(x = exp(RT))
) +
  labs(title = "No grouping") +
  geom_histogram() + 

ggplot(
  data = df_lexdec,
  aes(x = exp(RT), fill = NativeLanguage)
) +
  labs(title = "Stacked") +
  geom_histogram() + 
  
ggplot(
  data = df_lexdec,
  aes(x = exp(RT), fill = NativeLanguage)
) +
  labs(title = "Layered: position = \"identity\"") +
  geom_histogram(position = "identity") +
  
  
  plot_layout(guides = "collect") & theme(legend.position = 'bottom')
Abbildung 7: ‘stacked’ gegen ‘layered’ Histogramme

Globale und lokale Ästhetik

  • in unserer endgültigen Darstellung ist die Farbe der Histogramme leicht transparent
    • Wir können dies steuern, indem wir das Argument alpha = 0.3 zu geom_histogram() hinzufügen.
    • alpha kann jeden anderen Wert zwischen 0 und 1 annehmen.

Globale und lokale Ästhetik

Aufgabe 2: Transparenz

Beispiel 2  

Spielen Sie mit der Transparenz des Histogramms Geom. Wählen Sie den von Ihnen bevorzugten Alpha-Wert. Die Ausgabe sollte in etwa so aussehen:

Abbildung 8: Histogram mit alpha = 0.3

Anpassen unseres Plots

  • wir können unsere Achsen- und Legendenbeschriftungen verbessern und auch Titel hinzufügen, indem wir die Funktion labs() verwenden

  • Wir können auch die Funktion scale_fill_colorblind() aus dem Paket ggthemes verwenden.

    • dies erzeugt farbenblind-sichere Farben

  • Wir werden auch die Funktion theme_minimal() aus dem Paket ggplot2 verwenden; was bewirkt diese Funktion?

  • Versuchen Sie, Ihrem Diagramm Folgendes hinzuzufügen

    • Ändern Sie die Beschriftungen entsprechend
    • und fügen Sie dem Code sinnvolle Kommentare mit # hinzu
labs(title = "Plot title",
     x = "x-axis label",
     y = "y-axis label") +
  scale_fill_colorblind() +
  theme_minimal()

Kommentar

  • Der Code und die Darstellung sollten in etwa so aussehen:
# histogram of reaction times by native language
ggplot(data = df_lexdec) +
  aes(x = exp(RT), fill = NativeLanguage) + # set aesthetics
  labs(title = "Reaction times by L1",
     x = "Reaction times (ms)") +
  geom_histogram(position = "identity", alpha = 0.3) +
  scale_fill_colorblind() + # make fill colorblind friendly
  theme_minimal() # set plot theme
Abbildung 9: Histogramm mit Beschriftungen

Speichern von Plots

  • Wir können Diagramme in unserer Umgebung speichern, genau wie wir Zahlen und Daten als Objekte speichern können.
    • Sie können Objekte beliebig benennen
    • aber es ist ratsam, den Namen sinnvoll zu gestalten (z.B. nicht fig1 oder xyz)
  • Nennen wir diese Grafik fig_lexdec_rt, für “figure lexical decision task reaction times”.

Aufgabe 3: Figur als Objekt speichern

Beispiel 3  

  1. Speichern Sie unsere endgültige Darstellung als Objekt mit dem Namen fig_lexdec_rt.

Balkendiagramme

  1. Kopieren Sie den Code für Ihr Histogramm
  2. Nehmen Sie die folgenden Änderungen vor, um unser Balkendiagramm darzustellen
    • Entfernen Sie die Namenszuweisung (fig_lexdec_rt)
    • auf der x-Achse wollen wir NativeLanguage
    • Ersetzen Sie geom_histogram() durch geom_bar()
      • Entfernen Sie die Argumente für das Histogramm (kein position oder alpha)
    • ändern Sie die Beschriftungen entsprechend
  3. Speichern Sie das Diagramm als Objekt mit einem aussagekräftigen Namen (z.B. fig_lexdec_l1)

  • sollte das Diagramm in etwa so aussehen:

Abbildung 10: Balkondiagramm

Kombinieren von Plots

  • Ein Grund, Ihre Darstellung als Objekt zu speichern, ist, dass wir sie später aufrufen können
    • d.h. Sie können den Plot an einer Stelle in Ihrem Dokument erstellen, sich aber entscheiden, ihn erst im gerenderten Bericht weiter unten zu drucken
  • ein weiterer Grund ist, dass wir mehrere Diagramme kombinieren können
    • Dies kann mit einer Vielzahl von Paketen geschehen
    • Versuchen wir es mit dem Paket patchwork
      • Benutze + um zwei Plots nebeneinander zu verbinden
      • oder /, um sie übereinander darzustellen

Kombinieren von Plots mit +

fig_lexdec_rt + fig_lexdec_l1

Kombinieren von Plots mit /

fig_lexdec_rt / fig_lexdec_l1

Entscheidung für ein Geom

  • Warum verwenden wir ein Histogramm für die Reaktionszeit und ein Balkendiagramm für die Muttersprache?
  • Um welche Arten von Variablen handelt es sich?
    • Reaktionszeit ist kontinuierlich
    • Muttersprache ist eine kategoriale Variable
  • Wir verwenden Histogramme, um die Verteilungen von kontinuierlichen Variablen zu visualisieren.
  • Wir verwenden Balkendiagramme, um Verteilungen von kateogrischen Variablen zu visualisieren.
  • Wenn wir wissen, was wir visualisieren wollen (z. B. Verteilungen) und welche Art von Variable wir haben (d. h. kontinuierlich, kategorial), können wir entscheiden, welche Art von Diagramm wir erstellen wollen.
  • Oft ist es eine gute Idee, die Darstellung auf Papier zu zeichnen, bevor man in R beginnt (ich mache das auch oft).

Hausaufgaben

Anhang 2 auf der Website des Kurses.

Heutige Ziele

Heute haben wir gelernt…

  • was Datenrahmen sind
  • den Unterschied zwischen kategorialen und kontinuierlichen Daten
  • wie man Diagramme mit ggplot erstellt
  • die richtige Darstellung für unsere Daten auszuwählen

Session Info

Hergestellt mit R version 4.4.0 (2024-04-24) (Puppy Cup) und RStudioversion 2023.3.0.386 (Cherry Blossom).

sessionInfo()
R version 4.4.0 (2024-04-24)
Platform: aarch64-apple-darwin20
Running under: macOS Ventura 13.2.1

Matrix products: default
BLAS:   /Library/Frameworks/R.framework/Versions/4.4-arm64/Resources/lib/libRblas.0.dylib 
LAPACK: /Library/Frameworks/R.framework/Versions/4.4-arm64/Resources/lib/libRlapack.dylib;  LAPACK version 3.12.0

locale:
[1] en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8

time zone: Europe/Berlin
tzcode source: internal

attached base packages:
[1] stats     graphics  grDevices datasets  utils     methods   base     

other attached packages:
 [1] magick_2.8.3     kableExtra_1.4.0 knitr_1.46       patchwork_1.2.0 
 [5] ggthemes_5.1.0   languageR_1.5.0  lubridate_1.9.3  forcats_1.0.0   
 [9] stringr_1.5.1    dplyr_1.1.4      purrr_1.0.2      readr_2.1.5     
[13] tidyr_1.3.1      tibble_3.2.1     ggplot2_3.5.1    tidyverse_2.0.0 

loaded via a namespace (and not attached):
 [1] utf8_1.2.4        generics_0.1.3    renv_1.0.7        xml2_1.3.6       
 [5] stringi_1.8.3     hms_1.1.3         digest_0.6.35     magrittr_2.0.3   
 [9] evaluate_0.23     grid_4.4.0        timechange_0.3.0  fastmap_1.1.1    
[13] rprojroot_2.0.4   jsonlite_1.8.8    fansi_1.0.6       viridisLite_0.4.2
[17] scales_1.3.0      cli_3.6.2         rlang_1.1.3       munsell_0.5.1    
[21] withr_3.0.0       yaml_2.3.8        tools_4.4.0       tzdb_0.4.0       
[25] colorspace_2.1-0  here_1.0.1        pacman_0.5.1      vctrs_0.6.5      
[29] R6_2.5.1          lifecycle_1.0.4   pkgconfig_2.0.3   pillar_1.9.0     
[33] gtable_0.3.5      Rcpp_1.0.12       glue_1.7.0        systemfonts_1.0.6
[37] highr_0.10        xfun_0.43         tidyselect_1.2.1  rstudioapi_0.16.0
[41] farver_2.1.1      htmltools_0.5.8.1 rmarkdown_2.26    svglite_2.1.3    
[45] labeling_0.4.3    compiler_4.4.0

Literaturverzeichnis

Baayen, R. H. (2008). Analyzing Linguistic Data: A Practical Introduction to Statistics Using R.

Woche 2 - Datenvisualisierung 1